AIとがん研究 ── 前立腺がん ── 2026-10-08
前立腺がんの治療・治験とAI
- MRI habitat analysis using interpretable machine learning models for ISUP grade group prediction in prostate cancer抄録（全訳）
前立腺がんの国際泌尿器病理学会（ISUP）分類を手術前に非侵襲的に予測するモデルを作り、その診断性能を評価した。モデルは、バイパラメトリック MRI（bpMRI）のハビタットイメージング（HI）に基づく。
2021 年 7 月〜2024 年 8 月に 2 施設で、病理で前立腺がんと確定した患者のデータを後ろ向きに集めた。集めたのは、臨床情報、病理結果、bpMRI（T2 強調画像［T2WI］＋拡散強調画像［DWI］）の特徴である。施設 1 の患者は、7:3 の比で訓練コホートと内部検証コホートに無作為に割り付けた。施設 2 の患者は外部検証コホートとした。
K-means クラスタリングでハビタット亜領域を分け、各亜領域から radiomics 特徴を抽出した。5 種類の機械学習アルゴリズムで予測モデルを作った。SHapley Additive exPlanations（SHAP）解析で、特徴の重要度を定量化し可視化した。
全モデルについて、ISUP 分類の予測性能を ROC（受信者動作特性）解析で評価した。さらに、較正曲線と決定曲線解析で、モデルの較正と臨床上の正味の利益を評価した。
登録患者は計 412 例である。内訳は、訓練コホート 196 例、内部検証コホート 82 例、外部検証コホート 134 例である。
多変量解析で、ISUP 分類の独立した予測因子が二つ見つかった。総前立腺特異抗原（tPSA）（オッズ比 1.041、P < 0.001）と ADC 比（オッズ比 < 0.001、P < 0.001）である。ADC 比は、腫瘍の平均見かけの拡散係数（ADC）を正常組織の平均 ADC で割った値である。
作った 40 の予測モデルのうち、最も性能が高かったのは統合モデルである。このモデルは、臨床因子、従来の画像特徴、T2WI ハビタット亜領域 3 から得た radiomics 特徴を統合している。統合モデルの曲線下面積（AUC）は、訓練コホートで 0.867、内部検証コホートで 0.900、外部検証コホートで 0.826 だった。予測性能と臨床上の正味の利益も、ほかのすべてのモデルより優れていた。
臨床・画像・ハビタット radiomics の特徴を統合した bpMRI ベースの統合モデルにより、前立腺がんの ISUP 分類を術前に非侵襲的に予測できる。手術前の治療方針を個別に決める際の補助ツールになりうる。
掲載誌の IF 相当：3.8（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-03 に取得。正式な IF（Clarivate）ではない）書誌：Chen S, Wang Y, Chen H, Cui J, Jiang K, Shen L, et al. MRI habitat analysis using interpretable machine learning models for ISUP grade group prediction in prostate cancer. BMC Med Imaging. 2026 Oct 6 [Epub ahead of print]. doi:10.1186/s12880-026-02870-7.確認の範囲：抄録のみ確認 - Linking Artificial Intelligence (AI)–derived risk phenotypes to prostate cancer care pathways: Implications for treatment intensity and healthcare operations抄録（全訳）
前立腺がんを効率よく管理するには、リスク層別化が欠かせない。層別化の結果は、臨床判断、診療計画、資源配分のよりどころになる。しかし、既存の手法は治療強度、診療経路、その後の資源利用を取り込めていないことが多い。医療システムを支えるには、これらの情報が必要である。
本研究では、無作為化比較試験に登録された男性 4,579 例のデータに STRATA-PC を適用した。STRATA-PC は、治療を考慮し、生存情報を取り入れた表現型分類の枠組みである。前立腺特異抗原（PSA）と直腸診（DRE）の経時的な推移、ベースラインの臨床特性を用いる。これにより、臨床的に解釈できるリスク表現型を導く。そのうえで、データから導いたリスク群が、実臨床の前立腺がんの診療経路や資源利用とどう関係するかを検討した。
STRATA-PC は、全生存と前立腺がん特異的死亡について高い識別能を示した。また、互いにはっきり分かれる三つの表現型を見つけた。
低リスク表現型（C0）では、経過観察が中心の診療経路をとる。根治治療は遅れるか、行われない。直近の臨床的緊急性が低く、外来での経過観察が続くことを反映している。
高リスク表現型（C1）では、根治治療を早く始め、集学的治療を多く用いる。治療後に治療を強化する可能性も高い。近い将来に需要が集中し、調整の複雑さも増すことを示している。
中間リスク表現型（C2）では、治療開始が遅れる。長い経過観察の後に、遅れて集学的治療へ強化される可能性が高い。治療開始は遅れ、その後の資源利用は先送りされるが、より複雑になる移行的な診療経路である。
本研究は、STRATA-PC で導いた表現型を医療運営の観点から検討した。比較した項目は、生存リスク、症状負担、治療法の選択、治療強化の挙動、診療開始の時期である。
これらの結果は、患者ごとのリスクの異質性が、診療経路と医療需要の構造的な差にどう結びつくかを示している。資源計画に生かせる知見になる。
掲載誌の IF 相当：0.7（OpenAlex の直近 2 年の平均被引用数・2026-10-07 時点の値、2026-10-08 に取得。正式な IF（Clarivate）ではない）書誌：Ghavidel A, Pazos P. Linking Artificial Intelligence (AI)–derived risk phenotypes to prostate cancer care pathways: Implications for treatment intensity and healthcare operations. IISE Transactions on Healthcare Systems Engineering. 2026 Oct 5 [Epub ahead of print]. doi:10.1080/24725579.2026.2740606.確認の範囲：抄録のみ確認